【强化学习】相关基本概念【强化学习】 Q-Learning【强化学习】 Q-Learning 案例分析【强化学习】 Sarsa【强化学习】 Sarsa（lambda）代码以及学习过程来源：莫烦Python教学（十分感谢莫烦大佬的教学视频）...

前期知识可查看：【强化学习】相关基本概念【强化学习】 Q-Learning代码以及学习过程来源：莫烦Python教学（十分感谢莫烦大佬的教学视频）案例介绍寻路案例：（强烈建议学习上述前期知识里的【强化学习】 Q-Learning尤其是看懂前面的小案例）红色为可移动的寻路个体黑色为惩罚位置【奖励= -1】黄色为目标位置【奖励= +1】其他区域为常规状态【奖励= 0】寻路个体其实位置如图中所示的左上角

强化学习的过程是智能体从与环境的交互中不断学习以完成特定目标QLearning是强化学习算法中value-based的算法，，Q即为Q（s,a）就是在某一时刻的 s 状态下(s∈S)，采取 动作a (a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得

本文的目的：是从编程上去理解一个神经网络项目需要由几个方面组成，并且以鸢尾花分类项目为例，用python在tensorflow 2下进行神经网络搭建并测试一个基本的神经网络项目可以从以下几个方面进行编写：首先导入所需的模块# 导入所需模块import tensorflow as tffrom sklearn import datasetsfrom matplotlib import pyplot

1. 概述贝叶斯分类算法是统计学的一种概率分类方法，朴素贝叶斯分类是贝叶斯分类中最简单的一种。分类原理：利用贝叶斯公式根据某特征的先验概率计算出其后验概率，然后选择具有最大后验概率的类作为该特征所属的类。之所以称之为”朴素”，是因为贝叶斯分类只做最原始、最简单的假设：所有的特征之间是统计独立的。相关概念：（1）条件概率条件概率(Condittional probability)，就是指在事件B发生

1. 概述贝叶斯分类算法是统计学的一种概率分类方法，朴素贝叶斯分类是贝叶斯分类中最简单的一种。分类原理：利用贝叶斯公式根据某特征的先验概率计算出其后验概率，然后选择具有最大后验概率的类作为该特征所属的类。之所以称之为”朴素”，是因为贝叶斯分类只做最原始、最简单的假设：所有的特征之间是统计独立的。相关概念：（1）条件概率条件概率(Condittional probability)，就是指在事件B发生

前期知识可查看：【强化学习】相关基本概念【强化学习】 Q-Learning代码以及学习过程来源：莫烦Python教学（十分感谢莫烦大佬的教学视频）案例介绍寻路案例：（强烈建议学习上述前期知识里的【强化学习】 Q-Learning尤其是看懂前面的小案例）红色为可移动的寻路个体黑色为惩罚位置【奖励= -1】黄色为目标位置【奖励= +1】其他区域为常规状态【奖励= 0】寻路个体其实位置如图中所示的左上角

前言：本文主要介绍如何将CAD文件中需要的部分转换成矢量图，并能用在ppt、visio、word等Office的软件里。尤其在写论文的过程中需要图片采用矢量图，保证图片的清晰度。本文介绍用到的软件有 Auto CAD 2017、Visio 2016、PowerPoint 2016、Word 2016、Adobe illustrator CS6（简称AI）。1. CAD导出EPS矢量图...

一、概述决策树（Decision Tree）是有监督学习中的一种算法，并且是一种基本的分类与回归的方法。决策树有两种：分类树和回归树。（这里主要讨论分类树）相关概念：根节点：没有进边，有出边中间节点：既有进边也有出边，但进边有且仅有一条，出边也可以有很多条叶节点：只有进边，没有出边，进边有且仅有一条。每个叶节点都是一个类别标签父节点和子节点在两个相连的节点中，更靠近根节点的是父节点，另一个则是子节

均匀分布（Uniform distribution）是一种简单的概率分布，其分为离散型均匀分布（discrete uniform distribution）和连续型均匀分布（continuous uniform distribution）两种类型的机率分布。1. 离散型均匀分布（discrete uniform distribution）在统计学及概率理论中，离散型均匀分布是一个离散型...